PRÁCTICAS DE LA ASIGNATURA ECONOMETRIA II. CURSO 2006/2007
|
|
- Eva María José Naranjo Blanco
- hace 6 años
- Vistas:
Transcripción
1 PRÁCTICAS DE LA ASIGNATURA ECONOMETRIA II. CURSO 2006/2007 Práctica 3 1. Planteamiento y Objetivos de la Práctica En la presente práctica se propone la modelización univariante por medio del enfoque de Box-Jenkins de tres series temporales con características distintas. En cada uno de los ejemplos propuestos hay distintos pasos a detallar, pero con el fin de ver los tres ejemplos en la sesión práctica, cada profesor puede realizar los que considere más importantes en cada ejemplo y dejar los pasos omitidos para que los cubran los alumnos después por su cuenta Con la presente práctica se intenta que el alumno aprenda a construir modelos ARIMA univariantes para una serie temporal por medio del enfoque de Box-Jenkins. La aplicación de esta metodología conlleva recorrer diversas etapas hasta elaborar el posible modelo generador de los datos, de forma sintética los pasos a realizar son los siguientes: Especificación inicial Estimación Chequeo o validación Utilización del modelo 1 En la etapa de especificación inicial se deberá determinar el orden de integración de la serie temporal, es decir cual es el número de diferencias que se requerirán y si una de ellas debe ser anual (estacional) para convertir en estacionaria a la variable objeto de análisis, Z t (d,s). Z t = (1-B) d (1-B s ) D 1 El modelo puede utilizarse, por ejemplo, para predecir, para describir las propiedades del fenómeno económico en cuestión en cuanto a su tendencia, estacionalidad, oscilaciones (cíclicas) estacionarias, impredictibilidad, etc-, para basar sobre él la extracción de señales como el componente estacional 2
2 Donde: d es el número de diferencias regulares y D las diferencias de tipo estacional y habitualmente D = 0 ó 1 y se suele cumplir que: 0 d+d 2. Para ello se utiliza tanto el análisis gráfico de la serie, que nos revela determinadas características relevantes de la misma, como sus correlogramas simple y parcial y los tests de raíces unitarias. Una vez decidido el orden d y D, es decir el número de raíces unitarias que tiene la serie temporal, tanto de tipo regular como estacional, habrá que decidir el orden del polinomio autorregresivo (p) y el de medias móviles (q) para lo cual utilizamos como principales instrumentos el correlograma simple y el parcial de la serie. Los criterios generales que deben servir de guía para determinar el orden p del polinomio autorregresivo y el orden q del polinomio medias móviles se recogen en las estructuras de los correlogramas simple (FAC) y parcial (FAP) y que para los casos más sencillos se han visto en las clases teóricas. Un resumen de las características de la estructura del correlograma simple y del parcial se recoge en el esquema adjunto. Características teóricas de la FAC y de la FAP de los procesos estacionarios Procesos FAC FAP AR (p) MA (p) ARMA (p, q) Decrecimiento rápido hacia cero sin llegar a anularse q primeras autocorrelaciones significativas y el resto ceros Decrecimiento rápido hacia cero sin llegar a anularse P primeras autocorrelaciones distintas de cero y el resto ceros Decrecimiento rápido hacia cero sin llegar a anularse Decrecimiento rápido hacia cero sin llegar a anularse Debe quedar claro que la identificación es siempre tentativa por lo que se deben sugerir varios modelos como posibles procesos generadores de datos. Una vez que se han sugerido uno o varios modelos se escoge el que parezca más 3
3 adecuado y se procede a su estimación, apropiado, usualmente el de máxima verosimilitud pero en Eviews este método no está implementado. Posteriormente se debe realizar el chequeo ó validación de esas estimaciones, es decir, decidir sobre varios criterios la validez de dichas estimaciones. En esta práctica se realiza la modelización de tres series temporales de datos reales y características distintas. El primer caso se refiere a los gastos de publicidad de una empresa con frecuencia anual, el segundo analiza el Índice de Precios de Producción (PPI) de Estados Unidos con frecuencia trimestral y el último modeliza una serie de frecuencia mensual y con estacionalidad, las viviendas de nueva construcción en Estados Unidos. 2.Ejemplo1. Gastos en publicidad de una empresa La serie que se modeliza es la de gastos en publicidad de una determinada empresa. Su periodicidad es anual y el tamaño muestral abarca 54 observaciones que comprenden el periodo ; dada su frecuencia anual esta serie no tendrá componente estacional. Los datos de esta variable se encuentran en el Banco de Datos del curso de econometría II. El primer paso que debemos dar para elaborar el modelo univariante de las series es crear en Eviews el workfile con frecuencia anual y tamaño muestral indicado e importamos los datos, tal y como hemos hecho en las prácticas anteriores. La variable en Worfile la denominamos Gpubli Una vez cargados los datos debemos verificar si la serie temporal es estacionaria y en caso de que no lo sea realizar las transformaciones pertinentes hasta convertirla en estacionaria. Para ello en primer lugar graficamos la serie Gpubli, gráfico que se muestra a continuación. La instrucción en Eviews para obtener el gráfico de la serie es: Quik/Graph /gpubli/line Graph 4
4 2000 Gastos en publicidad de una determinada empresa GPUBLI Se observa que tiene una tendencia creciente muy acentuada, aproximadamente hasta 1925 y de sentido contrario después, lo que es un claro signo de que la serie no es estacionaria en media, además ese crecimiento muestras signos de regularidad por lo que la varianza aparentemente exhibe cierto grado de estabilidad y no es del todo preciso tomar logaritmos. En segundo lugar obtenemos los correlogramas Instrucciones en Eviews para obtener los correlogramas de esta serie (Gpubli) Quick/Series Statistics/Correlogram/ Gpubli También de forma alternativa en el objeto serie (ventas) View/Correlogram 5
5 El correlograma simple (AC) confirma la sospecha anterior sobre la no estacionariedad de la variable al mostrar un decrecimiento lento. Adicionalmente llevamos a cabo el test de raíces unitarias de D-F Instrucciones en Eviews para el test D-F: Quick/Series Statistics/unit root/gpubli Null Hypothesis: GPUBLI has a unit root Exogenous: Constant Lag Length: 4 (Automatic based on SIC, MAXLAG=10) t-statistic Prob.* Augmented Dickey-Fuller test statistic Test critical values: 1% level % level
6 *MacKinnon (1996) one-sided p-values. 10% level Augmented Dickey-Fuller Test Equation Dependent Variable: D(GPUBLI) Method: Least Squares Date: 04/14/07 Time: 21:04 Sample (adjusted): Included observations: 49 after adjustments Variable Coefficient Std. Error t-statistic Prob. GPUBLI(-1) D(GPUBLI(-1)) D(GPUBLI(-2)) D(GPUBLI(-3)) D(GPUBLI(-4)) C R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) El Valor del estadístico t (-2.391) de GPUBI(-1) es inferior a los valores críticos de la distribución DF por lo que no se puede rechazar la hipótesis de la existencia de una raíz unitaria, y por tanto, la serie no es estacionaria Como un primer paso para eliminar la tendencia y convertir la serie en estacionaria se prueba con el ajuste de una tendencia lineal determinística a la serie Gpubli y si es adecuado eliminar la tendencia de la serie original. Para ello, se ajusta una tendencia determinística a la variable ventas del tipo: Gpubli = c +β t + µ t Cuya estimación se presenta a continuación Instrucciones en Eviews para la estimación de la tendencia determinista : Quick /estimate equation 7
7 Y en la ventana de la ecuación que se abre escribir: Gpubli El resultado de la estimación es: Dependent Variable: GPUBLI Method: Least Squares Date: 04/15/07 Time: 08:43 Sample: Included observations: 54 Variable Coefficient Std. Error t-statistic Prob. C R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Analizando esos resultados podemos observar que la estimación de los residuos presentan un estadístico Durbin- Watson próximo a cero, lo que es indicativo de una fuerte autocorrelación de primer orden y de la existencia una raíz unitaria y que, por lo tanto, no cumplen las condiciones para que sean ruido blanco. El gráfico de los residuos la serie Gpubli, que se muestra a continuación, también muestra esos problemas y nos indica que los residuos se han mantenido por encima y/o por debajo de la media durante un periodo demasiado largo. Por lo tanto, ese ajuste no es adecuado puesto que olvida determinadas propiedades importantes de la serie 8
8 GPUBLI Residuals Dado que el procedimiento anterior no es el adecuado, la tendencia es de tipo estocástica y, por tanto, utilizamos a continuación el procedimiento de la diferenciación para convertir a la serie en estacionaria. Tomamos la primera diferencia en la serie Gpubli para lo que generamos la serie de DGpubli =Gpubli- Gpubli (-1), es decir, transformamos la serie de acuerdo con la siguiente expresión: Z t =(1-B)Gpubli La representación gráfica de la serie transformada y sus correspondientes correlogramas se muestran a continuación. 9
9 600 Primera diferencia de la serie Gpubli D(GPUBLI,1) 10
10 Tanto el gráfico de la serie DGpubli como su correlograma indican que la primera diferencia de la serie puede ser estacionaria puesto que oscila en torno a su nivel medio, aunque en el tramo central de la muestra las observaciones tienen una intensa volatilidad, y el correlograma tiende a cero con cierta rapidez. No obstante, se completa este análisis con el test DFA de raíces unitarias que se muestra a continuación Test de D-F Aumentado de DGpubli Null Hypothesis: D(GPUBLI) has a unit root Exogenous: Constant Lag Length: 1 (Automatic based on SIC, MAXLAG=10) t-statistic Prob.* Augmented Dickey-Fuller test statistic Test critical values: 1% level % level % level *MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(GPUBLI,2) Method: Least Squares Date: 04/15/07 Time: 09:54 Sample (adjusted): Included observations: 51 after adjustments Variable Coefficient Std. Error t-statistic Prob. D(GPUBLI(-1)) D(GPUBLI(-1),2) C R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic
11 Durbin-Watson stat Prob(F-statistic) El test DFA rechaza la hipótesis nula de una raíz unitaria en Dpubli puesto que el valor del estadístico t (7,30) supera el valor de los puntos críticos de la distribución DFA. Este resultado corrobora la estacionariedad de la serie Dpubli que indican el gráfico y el correlograma de la serie Por lo tanto, de estos resultados se deduce que la transformación que convertiría a la serie en estacionaria sería: Z t =(1-B)Gpubli,, Gpubli I(1) Una vez decidido el grado de integración de la serie, es decir, el número de raíces unitarias que tiene, se debe determinar cuales son los posibles procesos ARMA que generan la serie. El análisis de los correlograma de la serie DPubli nos dice que un modelo que puede generar la serie es un AR(2), puesto que el correlograma simple tiende a cero con cierta rápidez, el parcial se anula después del segundo retardo. También se puede sugerir como un modelo alternativo, un AR(4) puesto que el correlograma simple se anula después del cuarto retardo, aunque restringiendo a cero los retardos intermedios. Por otro lado, de la observación del gráfico de la serie que consideramos estacionaria, D(Publi,1), se observa que su media puede que no sea distinta de cero, por lo que no procede en principio la inclusión de un término independiente, el cual es rechazado cuando se incluye en los modelos. Los modelos sugeridos son: 1.1) ARIMA(2,1,0),, (1-φ 1 B- φ 2 B 2 ) (1-B) Gpubli = C+a t 1.2) ARIMA(4,1,0),, (1-φ 1 B- φ 2 B 2 - φ 3 B 3 -φ 4 B 4 ) (1-B) Gpubli = C+ a t El análisis de la estructura del correlograma probablemente sugiera algún modelo adicional pero de momento nos quedamos con los propuestos. 12
12 Estimación Una vez especificados varios modelos alternativos como posibles generadores de la serie se debe proceder a la estimación de los mismos. Para ello en Eviews se deben dar las siguientes instrucciones para estimar los modelos sugeridos. Modelo 1.1: Quick/Estimate Equation/ LS d(gpubli,1) c ar(1) ar(2) Modelo 1.2: Quick/Estimate Equation/ LS d(gpubli,1) c ar(1) ar(2) ar(3) ar(4) Los resultados de la estimación de estos modelos se presentan a continuación, sin embargo algunos componentes del modelo 1.2 no eran significativos y finalmente se han eliminado figurando en esa ecuación del modelo los componentes cuyos parámetros son significativos, de hecho se han eliminado ar(1) y ar(3) Estimación Modelo1.1 Dependent Variable: D(GPUBLI) Method: Least Squares Date: 04/14/07 Time: 21:16 Sample (adjusted): Included observations: 51 after adjustments Convergence achieved after 3 iterations Variable Coefficient Std. Error t-statistic Prob. AR(1) AR(2) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood Durbin-Watson stat Inverted AR Roots i i Estimación modelo 1.2 Dependent Variable: D(GPUBLI) 13
13 Method: Least Squares Date: 04/14/07 Time: 21:26 Sample (adjusted): Included observations: 49 after adjustments Convergence achieved after 2 iterations Variable Coefficient Std. Error t-statistic Prob. AR(2) AR(4) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood Durbin-Watson stat Inverted AR Roots.67 Una vez estimados los modelos especificados se debe validar dichas estimaciones, es decir, se debe contrastar la adecuación del modelo a los datos, por medio de una batería de tests estadísticos y econométricos vistos en clase y que se encuentran en Eviews en el objeto ecuación. Validación o chequeo En la etapa de validación se presentan tres bloques de análisis: Un primero referente a los resultados de la estimación, un segundo centrado en el análisis de los residuos y, finalmente, un tercero dedicado a la comparación de modelos alternativos. Análisis de la estimación.- Referente a la significatividad individual de los coeficientes por medio del estadístico t de student pone de relieve que todos los coeficientes del modelo 1.2 son altamente significativos y mientras que ar(1) del modelo 1.1 no es significativo. En cuanto a las condiciones de estacionariedad de los modelos estimados, todas las raíces de los polinomios de retardos caen fuera de circulo de radio 14
14 unidad, ver cuadros anteriores de estimaciones, debe tenerse en cuenta que Eviews muestra la inversa de las raíces, por lo que esas inversas caen todas dentro del circulo de radio unidad. De la observación de los resultados de la estimación se deduce que el modelo 1.2 presenta un error estandar ligeramente más bajo que el del modelo 1.1 y tanto el estadístico de Akaike como el criterio de Schwarz son inferiores en el segundo modelo. En esta etapa también se suele analizar las correlaciones entre los coeficientes estimados para verificar la posible existencia de multicolinealidad en el modelo. La existencia de multicolinalidad indica una falta de precisión en las estimaciones obtenidas y una cierta inestabilidad de los coeficientes estimados. Para obtener las correlaciones entre los coeficientes se acude su matriz de correlaciones que proporciona Eviews, para ello nos situamos en la ecuación estimada y marcamos lo siguiente: View/Correlation Matrix La ejecución de esta instrucción muestra la matriz de coeficientes de la ecuación estimada, para el modelo 1.1 se tiene: Matriz de correlaciones del modelo 1 C AR(1) AR(2) C AR(1) AR(2) Se observa que esa matriz presenta unas correlaciones muy bajas por lo que no muestra indicios de multicolinealidad. Para el modelo 1.2 se puede verificar de la misma forma que tampoco presentan problemas de multicolinelidad. Análisis de los residuos..el siguiente paso dentro del proceso de validación es el análisis de los residuos de ambos modelos. Para ello en el objeto ecuación de Eviews se ofrecen 15
15 varios contrastes pero nos limitamos al contraste de que los residuos sean ruido blanco, inspeccionando el correlograma de residuos, el estadístico Q de Box- Pierce y el gráfico de residuos. Para ello, en Eviews una vez dentro del objeto ecuación Instrucciones: View/ Residual Tests/Correlogram-Q-Statistics Los resultados para el modelo.1.2 se presenta en la tabla adjunta y se puede contemplar que las autocorrelaciones de los residuos no son significativas y entran dentro de las bandas de confianza, lo que indica que no son distintas de cero. Por su parte, el estadístico Q no muestra indicios de autocorreción global de los residuos, puesto que el valor de Q estimado para los diferentes ordenes de autocorrelación que se muestran en la tabla adjunta es siempre inferior al punto critico de la χ 2 con los correspondientes grados de libertad y los niveles estandar de significatividad utilizados en el trabajo empírico, lo que nos lleva a rechazar la hipótesis nula de autocorrelación global de los residuos. el valor de estimado. Correlograma de los residuos del modelo
16 Instrucciones Eviews para el gráfico de residuos: View/Actual, Fitted, residuals Residual Actual Fitted 17
17 El gráfico de los residuos también apoya la ausencia de autocorrelación residual, puesto que la gran mayoría de los residuos entran dentro de las bandas de confianza, con excepción de algún residuo anómalo. Por lo tanto, también muestra claramente que los residuos son ruido blanco. De la misma forma que el análisis llevado a cabo para el modelo 1.2 se puede entrar en el objeto ecuación del modelo 1.1 y verificar que si los residuos son ruido blanco. De hecho se observa que tanto el correlograma de residuos y el estadistico Q como el gráfico de residuos no llegan a superar a los del modelo 1.2 Comparación de modelos alternativos. Del análisis que se acaba de realizar en los dos apartados anteriores se deduce que el modelo 1.2 superan el conjunto de pruebas estadísticas para validar sus estimaciones. Además el modelo 1.2 presenta una menor varianza residual y un menor Akaike, por lo que es preferible al 1.1. Por lo tanto, los gastos en publicidad de la empresa, Gpubli, que es la variable que se modelizada, viene explicada de forma satisfactoria por un modelo sencillo ARIMA(4,0,0) restringiendo a cero los componentes AR(1) y AR(3). 3. Ejemplo 2. El Índice de precios Producción de Estados Unidos La serie a modelizar es el Índice Precios de Producción de Estados Unidos de frecuencia trimestral y el periodo muestral abarca 1960: :01. Una vez creado el el WorKfile y establecido el periodo muestral se deben importar los datos del banco de datos, tal y como se ha hecho en el ejemplo anterior. La serie la denominamos PPI en el Workfile El primer paso en la modelización de la serie es su representación gráfica. Para ello en Eviews, la instrucción es: Quick/ Graph/ Line Graph /PPI 18
18 El resultado es el gráfico1a en el que se puede contemplar como la serie GDP muestra una tendencia fuertemente creciente a lo largo del tiempo. Se realiza la transformación logarítmica para atenuar la posible no estacionariedad en varianza y se realiza el gráfico de la serie transformada. Para ello, en Eviews GENR LPPI=LOG(PPI) y para su representación gráfica : Quick/ Graph/ Line Graph / LPPI La representación gráfica de esta serie LPPI se muestra en el gráfico 1b en el cual se puede contemplar que la nueva serie exhibe también una clara tendencia creciente lineal, lo que indica que esta serie no es estacionaria en media. Gráfico 1 a. Evolución de PPI Gráfico 1b. Evolución de log(ppi) PPI LPPI También se muestra a continuación el correlograma de LPPI En Eviews una vez dentro del objeto serie LPPI: View/Correlogram 19
19 El correlograma confirma también la no estacionariedad que mostraba el gráfico de nivel de la serie LPPI puesto que tiende muy lentamente hacia cero Se realiza también el test de DFA de raíces unitarias, cuyos resultados se presentan a continuación. Para ello, en Eviews: Quick/ SERIES STATISTIC/ Unit root / LPPI 20
20 Test D-F aumentado de la serie LPPI.. El test DFA no rechaza la hipótesis nula de la existencia de una raíz unitaria en LPPI puesto que el valor del estadístico t (-1.245) es notablemente inferior a los valores críticos de la distribución DFA Si ajustamos una tendencia temporal lineal simple de tipo determinístico a la serie (LPPI), tal y como hicimos en el capítulo 1 del programa de la asignatura y práctica 1 y en la modelización de la serie ventas que acabamos de realizar, y restamos de LPPI la serie ajustada podremos comprobar que ese no es un procedimiento correcto para convertir a la serie en estacionaria. ( se deja al alumno que lo compruebe). Por lo tanto, es claro que esa tendencia no es determinista sino estocástica y debemos proceder con diferenciaciones para eliminar esa tendencia. Comenzamos tomando una primera diferencia regular en la serie LPPI, cuyo gráfico se muestra a continuación y también su correlograma. 21
21 Instrucciones en Eviews: Genr DLPPI=D(LPPI,1) Quick/Graph/Line Graph/DLPPI Quick/Series Statistic/Correlogram.08 Primera deferencia de LPPI D(LPPI) 22
22 El gráfico de DLPPI muestra que la serie podría ser estacionaria y también en ese sentido apunta el correlograma al mostrar un decaimiento con cierta rapidez. No obstante, se realiza también el test de DFA, cuyos resultados se muestran a continuación, y corrobora también la no existencia de una raíz unitaria en la serie DLPPI y que, por tanto, esa transformación convierte a la serie en estacionaria. Test DFA de la serie DLPPI Null Hypothesis: D(LPPI) has a unit root Exogenous: Constant Lag Length: 1 (Automatic based on SIC, MAXLAG=13) t-statistic Prob.* Augmented Dickey-Fuller test statistic Test critical values: 1% level % level % level *MacKinnon (1996) one-sided p-values. 23
23 Augmented Dickey-Fuller Test Equation Dependent Variable: D(LPPI,2) Method: Least Squares Date: 04/14/07 Time: 18:53 Sample (adjusted): 1960Q4 2002Q1 Included observations: 166 after adjustments Variable Coefficient Std. Error t-statistic Prob. D(LPPI(-1)) D(LPPI(-1),2) C R-squared Mean dependent var -1.71E-07 Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Por lo tanto la serie LPPI tiene una raíz unitaria y la primera diferencia convierte a dicha serie en estacionaria una vez eliminada su tendencia. La serie es del tipo : Z t =(1-B)LPPI,, LPPI I(1) Es decir, es integrable de orden 1 y tiene el siguiente significado: DLPPI= LPPI- LPPI(-1) = log(ppi)-log(ppi(-1)), que es la tasa de variación intertrimestral de PPI o la tasa de inflación de los precios de producción o a la salida de fabrica. Determinado el grado de diferenciación ó de raíces unitarias, pasamos a especificar el orden de los polinomios AR y MA. Del análisis de los correlogramas de DLPPI se deduce que en la FAC existen 2 ó tres ó quizás 4 coeficientes que son distintos de cero y después todos son cero, mientras que en la FAP solo existe un coeficiente significativo, que no es cero, el primero, y después tienden rápidamente a cero. Esto sugiere que la serie (DLPPI) puede ser generada por modelos que puede tener una estructura MA hasta orden 3 y un AR(1). Así, los posibles modelos serian: ARIMA (1,1,3), ARIMA(1;1,2) ó ARIMA(1,1,1). 24
24 Por otro lado, de la observación del gráfico de la serie DLPPI se deduce que la media de la serie es distinta de cero por lo que debe incluirse el término constante en los modelos especificados Los modelos tentativos serian por tanto: 2.1. ARIMA(1,1,0),, (1- φ 1 B)(1-B)LPPI= µ +a t 2.2. ARIMA(1,1,1),, (1- φ 1 B)(1-B)LPPI= µ +(1- θ 1 B)a t 2.3. ARIMA(1,1,1)x(0,0,1)s,, (1- φ 1 B) (1-B)LPPI= µ + (1- θ 1 B)(1- Θ 12 B 12 ) a t Estimación La estimación de los modelos anteriores en Eviews se hace por medio de las siguientes instrucciones: Quick/ Estimate Equation/ LS DLPPI c ar(1) Quick/ Estimate Equation/ LS DLPPI c ar(1) ma(1) Quick/ Estimate Equation/ LS DLPPI c ar(1) ma(1) sma(4) Los resultados de la estimación de estos modelos se presentan a continuación: Estimacion modelo 2.1 Dependent Variable: D(LPPI) Method: Least Squares Date: 04/14/07 Time: 09:45 Sample (adjusted): 1960Q3 2002Q1 Included observations: 167 after adjustments Convergence achieved after 3 iterations Variable Coefficient Std. Error t-statistic Prob. C AR(1) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic
25 Durbin-Watson stat Prob(F-statistic) Inverted AR Roots.60 Estimacion modelo 2.2 Dependent Variable: D(LPPI) Method: Least Squares Date: 04/14/07 Time: 10:21 Sample (adjusted): 1960Q3 2002Q1 Included observations: 167 after adjustments Convergence achieved after 7 iterations Backcast: 1959Q4 Variable Coefficient Std. Error t-statistic Prob. C AR(1) MA(1) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Inverted AR Roots.87 Inverted MA Roots.46 Estimacion modelo 2.3 Dependent Variable: D(LPPI) Method: Least Squares Date: 04/14/07 Time: 10:26 Sample (adjusted): 1960Q3 2002Q1 Included observations: 167 after adjustments Convergence achieved after 8 iterations Backcast: 1958Q4 1959Q4 Variable Coefficient Std. Error t-statistic Prob. C AR(1) MA(1) SMA(4)
26 R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Inverted AR Roots.81 Inverted MA Roots i i i i Validación En cuanto a los coeficientes de los tres modelos son individualmente significativos, según el contraste de la t de student.. Todos los modelos cumplen las condiciones de estacionariedad y de invertibilidad puesto que tanto las raíces de los polinomios autorregresivos como los de media móvil caen fuera del circulo de radio unidad. A su vez, las matrices de correlaciones de los coeficientes de estos modelos no muestran signos de multicolinealidad Desde el punto de vista del error estandar de los modelos estimados el 2.3 es el que presenta un valor menor (0,0108) seguido del 2.2 (0.0109). Desde el punto de vista del criterio de Akaike, el modelo 2.3 presenta un valor inferior (-6.20) seguido del modelo 2.2 (-6.17). El análisis de los residuos de los tres modelos estimados a través de sus correspondientes correlogramas, el estadístico Q y sus gráficos de residuos, que se presentan a continuación para el modelo 2.3, nos indica que todos ellos cumplen las condiciones para ser considerados como ruido blanco, excepto el 2.1. No obstante, el modelo 2.3 es el que cumple esas condiciones con más holgura. Del análisis anterior de los residuos y de la evaluación de las estimaciones de los coeficientes de los distintos modelos el modelo preferido es el 2.3 seguido del modelo 2.2. El modelo 2.1 es desechable desde el punto de vista estadístico dado que sus residuos no son ruido blanco 27
27 Correlograma de los residuos del modelo 2.3 Grafico de residuos del modelo Residual Actual Fitted El alumno debe analizar los residuos de los modelos 2.2 y 2.3 a través del correlograma y del gráfico de residuos 28
28 4. Ejemplo 3. Viviendas de nueva construcción en USA La serie a modelizar es el número de viviendas de nueva construcción en Estados Unidos expresada en miles, la frecuencia es mensual y el periodo muestral comprende 1959: :04. El objetivo que se persigue con este ejercicio es que el alumno aprenda a construir un modelo univariante de una serie de frecuencia mensual que tiene una marcada tendencia y estacionalidad. Una vez creado el fichero de trabajo en Eviews para esa frecuencia y periodo muestral, de la misma forma como se ha realizado en los dos ejercicios anteriores, se realiza la representación gráfica de la serie objeto de análisis. La serie se denomina HS Instrucciones: Quick/Graph/ HS/Line graph 240 Viviendas de nueva construcción en USA HS Este gráfico no es muy indicativo sobre la estacionariedad o no de la serie en 29
29 Como hemos visto en los dos ejemplos anteriores el correlograma es un instrumento útil para verificar la estacionariedad de la serie. A continuación se presenta el correlograma. Instrucciones: Una vez en el objeto serie HS, View/ Correlogram En el correlograma de la serie HS se observa que las autocorrelaciones disminuyen primero, y posteriormente alcanzar un pico relativo en el retardo 12, y disminuyen de forma acusada en los retardos mayores. Por su parte, las autocorrelaciones parciales muestran una punta positiva en el retardo 1 y otra negativa en el retardo 13, lo cual apunta a una posible estacionariedad de la serie en niveles. 30
30 No obstante, realizamos el contraste de Dickey- Fuller aumentado que se adjunta a continuación: Instrucciones: Quick/series statistic/unit Root/HS Contraste de raiz unitaria (DFA) de la serie HS Null Hypothesis: HS has a unit root Exogenous: Constant Lag Length: 4 (Automatic based on SIC, MAXLAG=4) t-statistic Prob.* Augmented Dickey-Fuller test statistic Test critical values: 1% level % level % level *MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(HS) Method: Least Squares Date: 03/28/07 Time: 18:33 Simple (adjusted): 1959M M04 Included observations: 395 after adjustments Variable Coefficient Std. Error t-statistic Prob. HS(-1) D(HS(-1)) D(HS(-2)) D(HS(-3)) D(HS(-4)) C R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic)
31 La hipótesis de raíz unitaria queda fuertemente rechazada, según los resultados del test DFA de la serie HS, el estadístico t (-4,97) supera ampliamente los valores críticos de la distribución ADF, lo que confirma la estacionariedad de la serie HS en niveles, como ya apuntaba de alguna forma el análisis gráfico y el del correlograma. Para finalizar la etapa de especificación inicial debemos determinar cuales son los modelos estacionales multiplicativos ARMA (p,q) Χ ARMA(P,Q) S que pueden generar la serie. Del análisis del correlograma de la serie HS se deduce que el proceso generador de datos puede tener un componente autorregresivo regular de orden 1 y otro estacional de orden 1, es decir un AR(1,0)xSAR(1,0) 12. Por lo tanto, comenzamos la estimación con este modelo 3.1. ARIMA(1,0) (1,0) 12,, (1- φ 1 B) (1-φ 12 B 12 )HS = c+a t 3.2. ARIMA(1,0,1)x(1,0,1)s,, (1- φ 1 B) (1-φ 12 B 12 ) HS= c + (1- θ 1 B)(1- Θ 12 B 12 ) a t Instrucciones: Quick/ Estimate Equation/ HS c ar(1) sar(12) Estimación del modelo 3.1 Dependent Variable: HS Method: Least Squares Date: 03/28/07 Time: 18:38 Sample (adjusted): 1960M M04 Included observations: 387 after adjustments Convergence achieved after 7 iterations Variable Coefficient Std. Error t-statistic Prob. C AR(1) SAR(12)
32 R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Inverted AR Roots i i i i i i i i i i -.97 Grafico residuos del modelo HS Residuals Correlograma residuos del modelo
33 Estimación Modelo 3.2 Dependent Variable: HS Method: Least Squares Date: 03/28/07 Time: 18:43 Sample (adjusted): 1960M M04 Included observations: 387 after adjustments Convergence achieved after 22 iterations Backcast: 1959M M01 Variable Coefficient Std. Error t-statistic Prob. C AR(1) SAR(12) MA(1) SMA(12) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Inverted AR Roots i i i i i i 34
34 i i i i Inverted MA Roots i i i i i i i i i i Correlograma de los residuos del modelo
35 HS Residuals Validación El modelo 3.1 presenta todos su coeficientes significativos, según el t ratio, la matriz de coeficientes que se puede consultar en la ventana de la ecuación no proporciona coeficientes de correlación elevados por lo que no presentan signos de multicolinealidad. Analizando el correlogramas de los residuos se observa que el estadistico Q presenta autocorrelación global, por lo que los residuos no son ruido blanco. El modelo, en principio, no parece válido y además el coeficiente de AR(1) está próximo a 1 (0,9), lo que puede indicar la necesidad de una nueva diferenciación, en el mismo sentido apunta el valor elevado de la raiz invertida de la parte autorregresiva (0.97), lo que indica que la serie HS puede que no sea estacionaria Los coeficientes del modelo 3.2 son altamente significativos y presenta mejoras sobre el modelo anterior, de hecho el criterio de AIC y el SBC son inferiores y los residuos se parecen a un ruido blanco, tanto de la observación de correlograma de los residuos como el estadistico. Sin embargo, los coeficientes autorregresivos tienen valores cercanos a la unidad, lo que indican la necesidad de una difereciación regular y otra estacional, en el mismo sentido apuntan las raices de los polinomios autorregresivos. A la vista de los problemas anteriores se sugiere al alumno que pruebe diversos esquemas ARMA con una diferenciación regular y otra estacional. 36
Índice General de Ventas en Grandes Almacenes y su logaritmo
En los gráficos y cuadros que se presentan en las páginas siguientes se presentan resultados relativos a la variable Índice General de Ventas en grandes superficies en España con periodicidad mensual desde
Más detallesPRÁCTICAS DE LA ASIGNATURA ECONOMETRIA II. CURSO 2004/2005
PRÁCTICAS DE LA ASIGNATURA ECONOMETRIA II. CURSO 2004/2005 Práctica 3 1. Planteamiento y Objetivos de la Práctica En la presente práctica se propone la modelización univariante por medio del enfoque de
Más detallesECONOMETRIA II ADE LADE-DERECHO. CURSO 2006/2007
ECONOMETRIA II ADE LADE-DERECHO. CURSO 2006/2007 Hoja de ejercicios 3 PARTE A) Marque con una X la respuesta o respuestas correctas A.1. En el gabinete de estudios de una empresa de inversión en activos
Más detallesAVISO IMPORTANTE EL PROFESOR DARÁ ASESORÍA ESTE VIERNES 13 DE OCTUBRE EN LA SALA JOSE SOLITICA EL ARCHIVO EN EXCEL PARA COMPLETAR LA GUIA AL CORREO
AVISO IMPORTANTE EL PROFESOR DARÁ ASESORÍA ESTE VIERNES 13 DE OCTUBRE EN LA SALA JOSE AYALA DE 13 A 15 HRS SOLITICA EL ARCHIVO EN EXCEL PARA COMPLETAR LA GUIA AL CORREO tere_vieyra@yahoo.com.mx Guía para
Más detallesHoja de ejercicios 4 Econometría II Curso 2011/2012
Hoja de ejercicios 4 Econometría II Curso 2011/2012 1) Se dispone de las series de diferencias anuales del logaritmo de las series mensuales índice de precios al consumo en España y la Comunidad de Andalucía
Más detallesEn el caso más simple, cuando dos series tienen una única raíz estacionaria, son I(1,0), si están cointegradas implica que: Existe una relación en el
En el caso más simple, cuando dos series tienen una única raíz estacionaria, son I(1,0), si están cointegradas implica que: Existe una relación en el largo plazo entre las dos series que es estable en
Más detallesGUÍA DE EJERCICIOS 4 ECONOMETRIA III
GUÍA DE EJERCICIOS 4 ECONOMETRIA III 1) Se dispone de las series de diferencias anuales del logaritmo de las series mensuales índice de precios al consumo en España y la Comunidad de Andalucía y asumimos
Más detallesINTRODUCCION AL ECONOMETRIC VIEWS. Aquí se introduce la frecuencia y las fechas de comienzo y final de los datos.
INTRODUCCION AL ECONOMETRIC VIEWS Introducción de datos 1. Creando una hoja de trabajo (workfile) File New Workfile Aquí se introduce la frecuencia y las fechas de comienzo y final de los datos. 2. Importación
Más detallesCointegración del Índice de Precios al Consumidor y Liquidez monetaria ( ). Venezuela.
Cointegración del Índice de Precios al Consumidor y Liquidez monetaria (1997-211). Venezuela. Informe Técnico. PC LC/FT. 2 de Octubre 212 Jhoner Perdomo Karen Tizado Resumen En la búsqueda de una variable
Más detallesUNIVERSIDAD NACIONAL DE TRUJILLO ESCUELA PROFESIONAL DE ECONOMÍA APUNTES DE CLASE ECUACIONES SIMULTÁNEAS: EJERCICIO 19.
UNIVERSIDAD NACIONAL DE TRUJILLO ESCUELA PROFESIONAL DE ECONOMÍA APUNTES DE CLASE ECUACIONES SIMULTÁNEAS: EJERCICIO 19.15 ECONOMETRÍA 2 Econometría.weebly.com Wilhem.weebly.com Ejercicio 19.15 Considérese
Más detallesEjemplos de estudios de series de tiempo
1 Ejemplos de estudios de series de tiempo Ejemplo 1 Pasajeros Aerolíneas Internacionales (PAI) Este estudio está realizado sobre un famoso conjunto de datos mensuales, el número de pasajeros de aerolíneas
Más detallesTRABAJO FINAL ECONOMETRIA MODELO ECONOMETRICO MULTIVARIADO PASS TROUGH (PAIS DE BRASIL)
TRABAJO FINAL ECONOMETRIA MODELO ECONOMETRICO MULTIVARIADO PASS TROUGH (PAIS DE BRASIL) 1. Introducción.- El presente trabajo hace referencia al modelo económico Pass Through en el cual se analizará el
Más detallesECONOMETRÍA II Curso: 2009/2010 Práctica 5
ECONOMETRÍA II Curso: 2009/2010 Práctica 5 Prof. Juan de Dios Tena El objetivo de esta práctica es introducir al alumno en los ejercicios de especificación, estimación y análisis de resultados de modelos
Más detallesEXAMEN ECONOMETRÍA II GRUPO DADE Prof. Rafael de Arce 3 de septiembre de Nombre y Apellidos:
EXAMEN ECONOMETRÍA II GRUPO DADE Prof. Rafael de Arce 3 de septiembre de 2004 Nombre y Apellidos: PRIMERA PARTE: (En las preguntas tipo test sólo debe marcarse una en cada caso): 1. Para determinar si
Más detallesModelos Econométricos Lección 2. Estacionariedad y raíces unitarias. Presentado por Juan Muro
Modelos Econométricos Lección 2. Estacionariedad y raíces unitarias Presentado por Juan Muro Motivación La no estacionariedad, en general, de las series económicas en el tiempo provoca consecuencias estadísticas
Más detallesEJEMPLO DE APLICACIÓN DE MODELIZACIÓN ARIMA A LA SERIE DE COTIZACIONES DIARIAS DE TERRA - LYCOS NOVIEMBRE 1999 A JUNIO 2001
EJEMPLO DE APLICACIÓN DE MODELIZACIÓN ARIMA A LA SERIE DE COTIZACIONES DIARIAS DE TERRA - LYCOS NOVIEMBRE 1999 A JUNIO 2001 CURSO DE TÉCNICAS DE PREVISIÓN DE VARIABLES FINANCIERAS PROGRAMA CITIUS Junio
Más detallesEconometría I (LADE). Curso 2001/2002 PRÁCTICA 08
PRÁCTICA 08 HETEROCEDASTICIDAD Y NORMALIDAD En el fichero Datos08.wf1 tenemos la renta y consumo anual (en dólares) para 500 familias con el que se pretende estimar el siguiente modelo: C i = β + β R +
Más detallesEJEMPLO APLICADO EN PRUEBAS DE ESPECIFICACIÓN ECONOMÉTRICA MODELO DE PRODUCCIÓN AGREGADA PARA LA ECONOMÍA MEXICANA
EJEMPLO APLICADO EN PRUEBAS DE ESPECIFICACIÓN ECONOMÉTRICA MODELO DE PRODUCCIÓN AGREGADA PARA LA ECONOMÍA MEXICANA DR. ROGER ALEJANDRO BANEGAS RIVERO UNIVERSIDAD AUTÓNOMA GABRIEL RENÉ MORENO A partir del
Más detallesCorrelograma de la serie Y. Included observations: 900 Autocorrelation Partial Correlation AC PAC Q-Stat Prob
EXAMEN DE ECONOMETRIA EMPRESARIAL II (MÓDULO PRÁCTICO) 23 FEBRERO 2002 1 APELLIDO 2ª APELLIDO NOMBRE GRUPO PRÁCTICO NOMBRE DEL PROFESOR PREGUNTA 1 Un economista desea identificar y estimar el proceso generador
Más detallesIntroducción al tema de raíces unitarias en la modelación econométrica
Banco Central de Costa Rica Departamento de Investigación Económica DIE-NT-01-2008 SEMINARIO-TALLER TÓPICOS DE ECONOMETRIA APLICADA PARTE I Introducción al tema de raíces unitarias en la modelación econométrica
Más detallesECONOMETRÍA II PRÁCTICAS DE ORDENADOR. Práctica 3
ECONOMETRÍA II PRÁCTICAS DE ORDENADOR Práctica 3 Considere la ecuación de inversión RINV t = β 1 +β 2 RPIB t +β 3 r t +u t donde RINV es la inversión real privada, RPIB es el PIB real y r es el tipo de
Más detallesNOMBRE: I. TEST (debe marcar sólo un resultado como válido en cada pregunta)
ECONOMETRÍA I Examen DADE 20 de enero de 2005 NOMBRE: I. TEST (debe marcar sólo un resultado como válido en cada pregunta) 1. El contraste del predictor Sirve para determinar si las predicciones del modelo
Más detallesModelo de Regresión Lineal Múltiple. Normalidad. Dr. Víctor Aguirre Torres ITAM
Modelo de Regresión Lineal Múltiple. Normalidad Dr. Víctor Aguirre Torres ITAM Temas Porqué ocurre falta de normalidad Consecuencias Detección Enfoques para manejarla Guión 18. Dr. V. Aguirre Porqué ocurre?
Más detallesPRACTICAS SOBRE LA MODELIZACIÓN DE SERIES TEMPORALES MENSUALES CON LA METODOLOGÍA DE BOX-JENKINS
PRACTICAS SOBRE LA MODELIZACIÓN DE SERIES TEMPORALES MENSUALES CON LA METODOLOGÍA DE BOX-JENKINS Preparado por Dolores García Martos FICO GR 21 Guía para seleccionar el orden de un proceso autorregresivo
Más detallesMODELO VAR ARGENTINA
MODELO VAR ARGENTINA 1.-INTRODUCCIÓN Argentina es una de las economías más grandes de América Latina. En los últimos años, Argentina priorizó promover un desarrollo económico con inclusión social. El país
Más detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Metodología Box-Jenkins Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es un resumen/modificación de la documentación elaborada
Más detallesCurso de Predicción Económica y Empresarial Edición 2004
Curso de Predicción Económica y Empresarial www.uam.es/predysim Edición 2004 UNIDAD 3: MODELOS ARIMA Ejercicio 1: Aplicación de los test de detección de raíces unitarias en EViews Solución A) IDENTIFICACIÓN
Más detallesECONOMETRÍA I LICENCIATURA EN ECONOMÍA, Curso PRÁCTICA 1 (LECCIÓN 1): EN BUSCA DE ESPECIFICACIÓN Por Beatriz González López-Valcárcel
ECONOMETRÍA I LICENCIATURA EN ECONOMÍA, Curso 2003-2004 PRÁCTICA 1 (LECCIÓN 1): EN BUSCA DE ESPECIFICACIÓN Por Beatriz González López-Valcárcel En esta práctica, aplicaremos los contrastes de especificación
Más detallesModelo de Regresión Lineal Múltiple. Multicolinealidad. Dr. Víctor Aguirre Torres ITAM
Modelo de Regresión Lineal Múltiple. Multicolinealidad Dr. Víctor Aguirre Torres ITAM Temas Qué es la multicolinealidad? Consecuencias sobre la estimación. Detección. Algunas contramedidas. Guión 19. Dr.
Más detallesLA EFICIENCIA DÉBIL DEL MERCADO DE VALORES PERUANO : EL MODELO DE RANDOM WALK.
LA EFICIENCIA DÉBIL DEL MERCADO DE VALORES PERUANO 2012-2015: EL MODELO DE RANDOM WALK. THE WEAKER EFFICIENCY OF THE PERUVIAN SECURITIES MARKET 2012-2015: THE RANDOM WALK MODEL. Guido Miguel Dávila Díaz*,
Más detallesSOLUCIÓN DEL EXAMEN PARCIAL DE ECONOMETRIA I
UNIVERSIDAD NACIONAL DE PIURA FACULTAD DE ECONOMIA SOLUCIÓN DEL EXAMEN PARCIAL DE ECONOMETRIA I 1º El investigador especifica los modelos siguientes: MODELO 1: IMP(t) = a + b IMP(t-1) + c IPM(t) + u(t)
Más detallesOctava Entrega. 1 Modelos de función de transferencia o de regresión dinámica
Prácticas de la asignatura Series Temporales Octava Entrega 1 Modelos de función de transferencia o de regresión dinámica 1.1 El modelo Supongamos que tenemos dos series temporales, x t e y t, tales que:
Más detallesPRACTICA 3. CONTRASTES Y PREDICCION.
ECONOMETRIA I (LADE). CURSO 2001/2002 PRACTICA 3. CONTRASTES Y PREDICCION. En el archivo prac3.xls disponemos de las siguientes observaciones correspondientes a un país: Y: consumo privado, medido en millones
Más detallesSéptima Entrega. New Workfile Daily (5 days week) 1:1:1991 a 2:16:1998. File Import Read Text Lotus Excel
Prácticas de la asignatura Series Temporales Séptima Entrega 1 Modelos de heterocedasticidad condicional A partir de la decada de los 80, muchos investigadores se han dedicado al estudio de modelos no
Más detallesModelo 1: MCO, usando las observaciones 1994: :03 (T = 218) Variable dependiente: INFLACION
UNIVERSIDAD NACIONAL DE PIURA FACULTAD DE ECONOMIA DPTO. ACAD. DE ECONOMIA 1º El investigador especifica el modelo siguiente: EXAMEN PARCIAL DE ECONOMETRIA I Se le pide estimar el modelo por el método
Más detalles(5 x 3) ( 3 x 5) ( 5 x 1) b1 335, ,3-26, ,59 b2 = 0, , ,8 12,85 = 2,94 b3-26,79 13,8 2, ,31
VENTAS PUBLIC. PRECIOS 1990 0, 0, 10 1991 1 0, 1992 2 0,8 199, 0,8 199 1, Y X U 0, 1 0, 10 U1 Modelo matricial con término constante 1 1 0, U2 (el vector de unos recoge ese término constante) 2 1 0,8 U,
Más detallesEXAMEN ECONOMETRÍA I GRUPO 53 - DADE 8 de septiembre de 2005 Prof. Rafael de Arce
EXAMEN ECONOMETRÍA I GRUPO 53 - DADE 8 de septiembre de 005 Prof. Rafael de Arce NOMBRE: DNI: PARTE I.- TEST 1. La hipótesis de rango pleno en el MBRL supone: Que las variables explicativas no tengan ninguna
Más detallesAnálisis Estadístico
Universidad Torcuato Di Tella Análisis Estadístico Examen Final 05/07/2017 TEMA 1 Nombre y Apellido: Número de legajo: Instrucciones El examen tiene dos partes. La parte A (40 puntos) contiene 10 preguntas
Más detallesSeminario Regional Proyecto: Fortaleciendo las Capacidades de Análisis de la Política Macroeconómica en Centroamérica y El Caribe
Estimación: de una Función de Demanda Mensual por Emisión Monetaria (1997-2004) para Honduras, mediante modelos Econométricos, serie de tiempo y Pronostico. Seminario Regional Proyecto: Fortaleciendo las
Más detallesEXAMEN ECONOMETRÍA I GRUPO 31 LADE Prof. Rafael de Arce 3 de septiembre de Nombre y Apellidos:
EXAMEN ECONOMETRÍA I GRUPO 31 LADE Prof. Rafael de Arce 3 de septiembre de 2004 Nombre y Apellidos: PRIMERA PARTE: Preguntas tipo test (sólo debe marcarse una en cada caso): 1. En el Modelo Básico de Regresión
Más detallesInflación por exceso de demanda por el lado del capital: el caso argentino reciente.
Inflación por exceso de demanda por el lado del capital: el caso argentino reciente. Santiago J. Gahn 1 Apéndice I Cuadro I: DFA Lag Length: 1 (Automatic - based on HQ, maxlag=13) t-statistic Prob.* Augmented
Más detallesEconometría II LADE/LADE-DERECHO Prof. Esther Ruiz Curso 2007/2008. Práctica 6
Econometría II LADE/LADE-DERECHO Prof. Esther Ruiz Curso 2007/2008 Práctica 6 El objetivo de esta práctica es el análisis de las relaciones dinámicas entre el tipo de interés Overnight (Swaps) a 9 meses
Más detallesEXTENSIÓN DEL MODELO DE REGRESIÓN LINEAL DE DOS VARIABLES
EXTENSIÓN DEL MODELO DE REGRESIÓN LINEAL DE DOS VARIABLES REGRESIÓN A TRAVÉS DEL ORIGEN Y Y i = β 1 + β 2X i + ε i Y i = β 2X i + ε i X A MENOS QUE EXISTA UNA EXPECTATIVA A PRIORI MUY FUERTE ES ACONSEJABLE
Más detallesLA PARIDAD DEL PODER DE COMPRA ENTRE PERÚ y ESTADOS ( )
LA PARIDAD DEL PODER DE COMPRA ENTRE PERÚ y ESTADOS UNIDOS (1991.01 2011.07) Ponente: Mag. Cornelio TicseNúñez RESUMEN Los resultados obtenidos muestran que los datosnoseajustan a lo que predice la teoría
Más detallesErrores de especificación. Series simuladas
Estimación modelo correcto Dependent Variable: Y Date: 05/13/02 Time: 17:07 Sample: 2 100 Included observations: 99 Errores de especificación. Series simuladas C 5.376164 0.253524 21.20578 0.0000 X1 0.954713
Más detallescon los supuestos clásicos, uno de ellos es que ninguna de las variables X 1, X 2,, X K es
TEMA 2: EXTENSIONES DEL MODELO DE REGRESIÓN LINEAL MÚLTIPLE: MULTICOLINEALIDAD Y TRANSFORMACIONES LINEALES. Wooldridge: Capítulos 6 (apartado 6.1) y 7 Gujarati: Capítulos 9 (apartado 9.8), 10 y 12 1. MULTICOLINEALIDAD
Más detallesQuinta Entrega. 3. Diagnosis: se comprueba que los residuos verifican la hipótesis de ruido blanco.
Prácticas de la asignatura Series Temporales Quinta Entrega 1 Identificación y Predicción de modelos ARIMA En esta entrega veremos como ajustar modelos ARIMA a series de datos reales. Supongamos que tenemos
Más detallesInformación Importante
Información Importante La Universidad de La Sabana informa que el(los) autor(es) ha(n) autorizado a usuarios internos y externos de la institución a consultar el contenido de este documento a través del
Más detallesEJERCICIO T2 NOMBRE: Correctas Incorrectas En Blanco Puntos
ECONOMETRÍA APLICADA EJERCICIO T2 APELLIDOS: NOMBRE: FIRMA: GRUPO: DNI: Pregunta 1 A B C En Blanco Pregunta 2 A B C En Blanco Pregunta 3 A B C En Blanco Pregunta 4 A B C En Blanco Pregunta 5 A B C En Blanco
Más detallesTODO ECONOMETRÍA. A continuación voy a realizar un primer gráfico para observar el comportamiento de mi serie.
Sabemos que se aprende de las regularidades del comportamiento pasado de la serie y se proyectan hacia el futuro. Por lo tanto, es preciso que los procesos aleatorios generadores de las series temporales
Más detallesModelo SARIMA para la llegada mensual de visitantes extranjeros por el Aeropuerto Internacional Jorge Chávez
59 Modelo SARIMA para la llegada mensual de visitantes extranjeros... Modelo SARIMA para la llegada mensual de visitantes extranjeros por el Aeropuerto Internacional Jorge Chávez SARIMA model for the monthly
Más detallesQUINTA PRÁCTICA CALIFICADA DE ECONOMETRIA II. Dependent Variable: CREDITOSB Method: Least Squares Sample: 1992M M07 Included observations: 211
UNIVERSIDAD NACIONAL DE PIURA FACULTAD DE ECONOMIA QUINTA PRÁCTICA CALIFICADA DE ECONOMETRIA II 1º Verificar si cointegra el modelo siguiente: CREDITOSB = a + b EMI + U 1.1. Aplicando la prueba alternativa
Más detallesDiseño de Ciudad. Planeación. Desarrollo. Ejecucion de la Politica
Incidencia de las Políticas Públicas de Desarrollo Urbanístico en la Ciudad de Cali Conceptos Fundamentales de la Economía Regional y Urbana con Aplicaciones a la Economía del Sector Publico y al Análisis
Más detallesANÁLISIS DE LAS DIFERENCIAS ENTRE LAS TASAS DE INFLACIÓN ASOCIADAS A DOS INDICADORES DEL NIVEL DE PRECIOS AGREGADO
EKONOMIA ETA ENPRESA ZIENTZIEN FAKULTATEA FACULTAD DE CIENCIAS ECONÓMICAS Y EMPRESARIALES GRADO: Economía Curso 2014 / 2015 ANÁLISIS DE LAS DIFERENCIAS ENTRE LAS TASAS DE INFLACIÓN ASOCIADAS A DOS INDICADORES
Más detallesCiencias Contables y Administrativas
Ciencias Contables y Administrativas In Crescendo. Institucional. 2016; 7(2): 80-93 Fecha de recepción: 4 de junio de 2016 Fecha de aceptación: 9 de noviembre de 2016 Estudio de la estacionariedad de la
Más detallesEstadística Industrial. Universidad Carlos III de Madrid Series temporales Práctica 5
Estadística Industrial Universidad Carlos III de Madrid Series temporales Práctica 5 Objetivo: Análisis descriptivo, estudio de funciones de autocorrelación simple y parcial de series temporales estacionales.
Más detallesAnálisis de la Estacionalidad del Turismo en España. Un análisis detallado por Camunidades Autónomas.
Cómo citar este artículo? Apellidos, Nombre (del autor del texto elegido) (2011). Texto (del artículo), en Giménez Rodríguez, S.; García Manso, A. y Díaz Cano, E. Innovaciones en la sociedad del riesgo.
Más detallesSOLUCIÓN DE LA QUINTA PRÁCTICA CALIFICADA DE ECONOMETRIA II. Variable Coefficient Std. Error t-statistic Prob.
UNIVERSIDAD NACIONAL DE PIURA FACULTAD DE ECONOMIA DEPARTAMENTO DE ECONOMIA SOLUCIÓN DE LA QUINTA PRÁCTICA CALIFICADA DE ECONOMETRIA II 1º El investigador especifica el modelo siguiente: CRESB_PRI(t) =
Más detallesSOLUCIÓN DE LA PRIMERA PRÁCTICA CALIFICADA DE ECONOMETRIA I
UNIVERSIDAD NACIONAL DE PIURA FACULTAD DE ECONOMIA SOLUCIÓN DE LA PRIMERA PRÁCTICA CALIFICADA DE ECONOMETRIA I 1º El investigador especifica el modelo siguiente: (7 puntos) M1(t) = a + b P(t) + c(0) PBI(t)
Más detallesUNIVERSIDAD NACIONAL DE TRUJILLO ESCUELA PROFESIONAL DE ECONOMÍA APUNTES DE CLASE
UNIVERSIDAD NACIONAL DE TRUJILLO ESCUELA PROFESIONAL DE ECONOMÍA APUNTES DE CLASE CAPÍTULO 8: ANÁLISIS DE REGRESIÓN MÚLTIPLE: EL PROBLEMA DE LA INFERENCIA ECONOMETRÍA 2 WILHEM ROOSVELT GUARDIA VÁSQUEZ
Más detallesModelos Econométricos Lección 4. Estimación de una sola ecuación entre variables cointegradas (con mecanismo de corrección del error)
Modelos Econométricos Lección 4. Estimación de una sola ecuación entre variables cointegradas (con mecanismo de corrección del error) Presentado por Juan Muro Motivación Para entender en profundidad la
Más detallesGuía de taller de Economía Cuantitativa V. Profesor: ALBERTO REYES DE LA ROSA.
Guía de taller de Economía Cuantitativa V. Profesor: ALBERTO REYES DE LA ROSA. Debe ser resuelta a mano, citar bibliografía (no usar internet). Términos clave 1. Ceteris Paribus 2. Grado de libertad 3.
Más detallesMODELOS ECONOMÉTRICOS UNIVARIADOS Y MULTIVARIADOS
MODELOS ECONOMÉTRICOS UNIVARIADOS Y MULTIVARIADOS NOMBRE : DANIELA ARROYO PEREZ CODIGO : C5844-0 MATERIA: ECONOMETRIA II CARRERA: INGENIERIA COMERCIAL CURSO : SEXTO A DOCENTE : LIC. RODRIGO PANIAGUA TAPIA
Más detallesREGRESIÓN CON DOS VARIABLES: ESTIMACIÓN DE INTERVALOS Y PRUEBA DE HIPÓTESIS
REGRESIÓN CON DOS VARIABLES: ESTIMACIÓN DE INTERVALOS Y PRUEBA DE HIPÓTESIS Teoría de la estimación: Estimación puntual Estimación por intervalos ESTIMACIÓN DE INTERVALOS: IDEAS BÁSICAS 1 Lo que se busca
Más detallesValidación del Modelo Univariable de Inflación empleado en la Combinación de Pronósticos
BANCO CENTRAL DE COSTA RICA DIVISIÓN ECONÓMICA DEPARTAMENTO DE INVESTIGACIÓN ECONÓMICA Validación del Modelo Univariable de Inflación empleado en la Combinación de Pronósticos Evelyn Muñoz Salas Informe
Más detallesCointegración El caso bivariado
Cointegración El caso bivariado Definición: La serie Y t es integrada de orden d (denotada I(d)) si al menos debe ser diferenciada d veces para que sea estacionaria. Ejemplos: 1. El proceso random walk
Más detalles1.- Enumere las hipótesis básicas del modelo básico de regresión lineal
Introducción a la Econometría Grupo Derecho y Administración de Empresas Profesor Rafael de Arce 20 de junio de 2008 Nombre: DNI: 1.- Enumere las hipótesis básicas del modelo básico de regresión lineal
Más detallesTema 6.- Variables ficticias y contrastes de estabilidad
Guía de estudio de los temas principales del 2º examen parcial. Econometría 4º de Economía.Facultade de CC.Económicas de la USC Curso 2003-2004. Nota ampliada el 13-5-2004. Esta guía está disponible en
Más detallesDiferencia de la tasa de cambio
Ejemplo 1: Prueba de raíz unitaria de Dickey y Fuller Este ejemplo utiliza información del archivo erate1.wf1. Sea LO el logaritmo de la tasa de cambio oficial peso-dólar en Colombia para el período 197:1
Más detallesModelo Econométrico Empleo en México
Memoria del XXI Coloquio Mexicano de Economía Matemática y Econometría Modelo Econométrico Empleo en México Mónica González Morales 1 Introducción 2000 a 2010 trimestralmente comprar productos fabricados
Más detallesPráctica 5: cointegración
Práctica 5: cointegración Los datos provienen de: http://www.econ.kuleuven.ac.be/gme/ Para leer más sobre este ejemplo, ver Marno Verbeek, A guide to Modern Econometrics (sections 8.5, 9.3). En esta práctica,
Más detallesCurso de Predicción Económica y Empresarial Edición 2004
Curso de Predicción Económica y Empresarial www.uam.es/predysim Edición 24 UNIDAD 4: TÉCNICAS AVANZADAS DE PREDICCIÓN Ejercicio 2: Contraste de cointegración y estimación de un modelo VEC en EViews Solución
Más detallesLa Confianza Empresarial y su Impacto en el Crédito al Sector Privado en Perú, un enfoque de Finanzas del Comportamiento
FINANZAS DEL COMPORTAMIENTO La Confianza Empresarial y su Impacto en el Crédito al Sector Privado en Perú, un enfoque de Finanzas del Comportamiento Juan Carlos Ames Santillán Analista Senior Regulatorio
Más detalles1. VARIABLES FICTICIAS
TEMA 1: EXTENSIONES DEL MODELO DE REGRESIÓN LINEAL MÚLTIPLE: VARIABLES FICTICIAS Y CAMBIO ESTRUCTURAL. Wooldridge: Capítulos 6 (apartado 6.1) y 7 Gujarati: Capítulos 9 (apartado 9.8), 10 y 12 1. VARIABLES
Más detallesEconometría 2. Modelos no estacionarios y contrastes de raíz unitaria = 0 8. (0 4) 1 +, (0 2 ), y valores críticos
Econometría 2 Modelos no estacionarios y contrastes de raíz unitaria 1. Cuál de las siguientes afirmaciones es verdadera? (a) Un proceso I(1) es un camino aleatorio; (b) Un camino aleatorio es un ruido
Más detallesGuía breve de análisis de series temporales unidimensionales con Gretl
Guía breve de análisis de series temporales unidimensionales con Gretl 1. Pasos a seguir 1. Representación de la serie temporal (Variable Gráfico de series temporales). 2. Serie temporal no estacionaria
Más detallesNueva estimación sobre el volumen del PBI informal en base al método de la demanda de circulante. Joaquín Días y Carla Di Paula.
Nueva estimación sobre el volumen del PBI informal en base al método de la demanda de circulante. Joaquín Días y Carla Di Paula Octubre 2009 Este documento tiene por objetivo presentar una nueva estimación
Más detallesAugmented Dickey-Fuller. Test de raíces unitarias en Z T
ANEXOS CUADRO A1. Augmented Dickey-Fuller. Test de raíces unitarias en Z T Estadístico ADF -3.231287 1% Valor Crítico -3.4549* 5% Valor Crítico -2.8718 10% Valor Crítico -2.5722 Variable Dependiente D(LOG(Z93))
Más detallesESTIMACIÓN DE LA FUNCIÓN DE EXPORTACIONES DE CATALUÑA A LOS PRINCIPALES PAÍSES EUROPEOS
ESTIMACIÓN DE LA FUNCIÓN DE EXPORTACIONES DE CATALUÑA A LOS PRINCIPALES PAÍSES EUROPEOS Estimaciones individuales Dependent Variable: LOG(X?) Method: Pooled Least Squares Date: 11/23/02 Time: 13:14 Sample(adjusted):
Más detallesTEMA 3 M O D E L O S U N I V A R I A N T E S L I N E A L E S
TEMA 3 M O D E L O S U N I V A R I A N T E S L I N E A L E S Motivación El proceso de construcción de un modelo univariante ARIMA se basa en un procedimiento iterativo en el que el conocimiento de las
Más detallesECONOMETRIA: PRÁCTICA OBLIGATORIA (En formato Manual de Uso)
ECONOMETRIA: PRÁCTICA OBLIGATORIA (En formato Manual de Uso) Leer los datos del fichero de Excel (datelectricidad.xls): Al revisar los datos en Excel se ha verificado que la información disponible es de
Más detallesHéctor G. González Padilla Banco Central de la República Argentina. 30 de deptiembre de 2016
Una Aplicación del Análisis de Intervención: Una Evaluación del Efecto del Régimen de Control de Cambios sobre el PIB Trimestral en Argentina en el Período 2011-2015 1 Héctor G. González Padilla Banco
Más detallesProyecciones del PBI para el 2003.
Proyecciones del PBI para el 2003. Por Pablo Frigolé, para Stockssite pablofrigole@stockssite.com Después de muchas preguntas sobre cuál sería el valor de las variables futuras más importantes de la economía
Más detallesEJERCICIO T1 NOMBRE: Correctas Incorrectas En Blanco Puntos
ECONOMETRÍA EJERCICIO T1 APELLIDOS: NOMBRE: FIRMA: GRUPO: DNI: Pregunta 1 A B C En Blanco Pregunta A B C En Blanco Pregunta 3 A B C En Blanco Pregunta 4 A B C En Blanco Pregunta 5 A B C En Blanco Pregunta
Más detallesSOLUCIÄN DE LA PRIMERA PRÅCTICA CALIFICADA DE ECONOMETRIA II
UNIVERSIDAD NACIONAL DE PIURA FACULTAD DE ECONOMIA DPTO. ACAD. DE ECONOMIA SOLUCIÄN DE LA PRIMERA PRÅCTICA CALIFICADA DE ECONOMETRIA II 1Ä El investigador especifica el modelo siguiente: Donde: Se le pide:
Más detallesECUADOR: ESTIMACIÓN INDIRECTA DEL CIRCULANTE
ECUADOR: ESTIMACIÓN INDIRECTA DEL CIRCULANTE EN MONEDA EXTRANJERA CON EL MÉTODO DE MÁXIMA VEROSIMILITUD Armando Jijón 1 I. Introducción Antes de la entrada en vigencia del esquema de dolarización, en la
Más detallesUNIVERSIDAD DEL AZUAY FACULTAD DE CIENCIAS DE LA ADMINISTRACION ESCUELA DE ECONOMIA
UNIVERSIDAD DEL AZUAY FACULTAD DE CIENCIAS DE LA ADMINISTRACION ESCUELA DE ECONOMIA MONOGRAFIAS PREVIAS A LA OBTENCION DEL TITULO DE ECONOMISTA AUTOR: JUAN PABLO MACHADO A. CURSO DE GRADUACION ABRIL- SEPTIEMBRE
Más detallesRegresión con heterocedasticidad y autocorrelación
Regresión con heterocedasticidad y autocorrelación Tema 6 Regresión con heterocedasticidad La heterocedasticidad significa que var( i ) cte Es la norma, no la excepción, en especial con datos transversales
Más detallesD to de Economía Aplicada Cuantitativa I Basilio Sanz Carnero
D to de Economía Aplicada Cuantitativa I Basilio Sanz Carnero Tendencia estocástica y determinista Una serie de tiempo tiene tendencia estocástica (o también denominadas estacionarias en diferencias) cuando
Más detallesUSO DEL FILTRO DE KALMAN PARA ESTIMAR LA TENDENCIA DE UNA SERIE
DIVISIÓN ECONÓMICA DEPARTAMENTO DE INVESTIGACIONES ECONÓMICAS INFORME TÉCNICO DIE-87-003-IT USO DEL FILTRO DE KALMAN PARA ESTIMAR LA TENDENCIA DE UNA SERIE Ana Cecilia Kikut V. OCTUBRE, 003 Entre los diferentes
Más detallesPRONÓSTICO DE LAS DEFUNCIONES EN LA REPÚBLICA DE PANAMÁ UTILIZANDO LA METODOLOGÍA ARIMA O BOX-JENKINS PARA LOS AÑOS
Revista científica CENTROS 15 de diciembre de 2015 Vol. 4 No. 2 ISSN: 2304-604X pp. 189-199 Recibido: 30/06/15; Aceptado: 06/12/15 Se autoriza la reproducción total o parcial de este artículo, siempre
Más detallesEjemplo # 2: A: ENFOQUE TRAD ICIONAL
Ejemplo # 2: A: ENFOQUE TRAD ICIONAL De acuerdo con la Teoría Económica se especifica que la Renta Neta Disponible (Carrascal; et al; 2000:167) de una Familia :RNDFAM, depende o esta relacionada con los
Más detalles: : :01 T11211L T11211 T11211H
1.Introducción La imposibilidad de la modificación del tipo de cambio nominal derivada de la existencia de la moneda única, deja, como única opción para lograr mejoras de competitividad, la evolución adecuada
Más detallesEste estudio tiene como objetivo la demostración y aplicación de los modelos econométricos ANÁLISIS EMPÍRICO DEL ESTIMADOR PARA LA PRODUCCIÓN
ANÁLISIS EMPÍRICO DEL ESTIMADOR PARA LA PRODUCCIÓN DE TABACO CON MÍNIMOS CUADRADOS ORDINARIOS Diego Axel López Peláez* Resumen 15 Utilizando modelos econométricos, de mínimos cuadrados ordinarios, buscamos
Más detallesMODELOS VAR (P) MODELO VAR (P) PARA 2, 3 Y 4 VARIABLES.
MODELOS VAR (P) MODELO VAR (P) PARA 2, 3 Y 4 VARIABLES. IMPORTACIONES = f (PIB) Donde: PIB= Producto Interno VAR CON DOS VARIABLES BASE DE DATOS AÑO PIB IMPORTACIONES 197 4,77968E+12 43,9594437 1971 4,9372E+12
Más detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Procesos autorregresivos Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es un resumen/modificación de la documentación
Más detallesIntroducción a la Econometría Capítulo 4
Introducción a la Econometría Capítulo 4 Ezequiel Uriel Jiménez Universidad de Valencia Valencia, Septiembre de 2013 4.1 El contraste de hipótesis: una panorámica 4.2 Contraste de hipótesis utilizando
Más detallesLEY DE WAGNER EN EL CASO COLOMBIANO,
865 II Congreso Virtual Internacional Desarrollo Económico, Social y Empresarial en Iberoamérica (Junio 2017) LEY DE WAGNER EN EL CASO COLOMBIANO, 1970-2010. Astrid León Camargo* Docente de la Universidad
Más detallesDETERMINANTES DE LA ESPERANZA DE VIDA EN ESPAÑA
Facultad de Ciencias Económicas y Empresariales Grado en ECONOMÍA DETERMINANTES DE LA ESPERANZA DE VIDA EN ESPAÑA Presentado por: Patricia Blanco Palmero Tutelado por: Pilar Zarzosa Espina Valladolid,
Más detalles1. Sean dos variables aleatorias discretas X e Y. La siguiente tabla describe la función de masa de probabilidad conjunta de estas variables:
Examen de Introducción a la Econometría Universidad Carlos III de Madrid 2 a Convocatoria Curso 2004/205 Conteste las preguntas siguientes en 2 horas y media 1. Sean dos variables aleatorias discretas
Más detalles